[发明专利]一种基于多线激光雷达的坡道小障碍物识别方法

说明书

本发明涉及一种基于多线激光雷达的坡道小障碍物识别方法，实现了坡道路面的小障碍物识别，快速准确，节省运算资源，保证了实时性；有效避免了传统障碍物识别方法在即将下坡路段障碍物的漏检以及上坡路段把路面识别为障碍物的弊端，提高了智能驾驶汽车的行车安全性和对复杂路况的适应性。

技术领域

本发明涉及一种基于多线激光雷达的坡道小障碍物识别方法，属于无人驾驶障碍物识别领域。

背景技术

车辆行驶道路上的障碍物检测是无人驾驶汽车周边环境感知技术研究领域中的重要组成部分，障碍物检测的效果直接关系到无人驾驶汽车的行车安全。传统基于多线雷达的障碍物检测方法都是根据雷达的安装高度h粗暴的滤除所有z坐标小于-h的点云，这种方法在即将上坡的路段会把坡道识别为大型障碍物，而在即将下坡路段会滤除位于坡道上的小型障碍物。所以一种能适用于坡道路况的障碍物识别方法极为重要。

发明内容

本发明提供一种基于多线激光雷达的坡道小障碍物识别方法，不仅适用于水平路面，而且适用于坡道路面，能够准确的将路面和障碍物区分开，具有较强的实用性和广阔的应用前景。

本发明解决其技术问题所采用的技术方案是：

一种基于多线激光雷达的坡道小障碍物识别方法，包括以下步骤：

第一步，对原始点云进行道路边缘检测，基于霍夫变换将道路外侧的区域滤除，得到道路内与障碍物识别的相关点云；

第二步，基于投影降维方法，将坡道路面上与障碍物识别的相关点云投影到与路面垂直的竖直平面XOZ上，对坡道道路进行识别并将坡道路面进行滤除，再利用霍夫直线变换进行检测，从而准确求出所有属于路面扫描点的相关点云，然后在属于路面扫描点的相关点云中对所有路面点再次进行滤除；

第三步，对坡道路面上十米以内的范围进行离群值滤除，根据离群值滤除路面零散的点云，使滤除后的点云均属于障碍物扫描点；

第四步，利用基于密度的DBSCAN聚类算法对离群值滤除后的障碍物扫描点进行进一步滤除噪声点，实现障碍物聚类；

作为本发明的进一步优选，将道路内外的区域分割，区域内的点云形成图像坐标空间，采用霍夫变换将图像坐标空间中共线的点云变换至参数空间中，这些点云在参数空间中均相交于同一点，通过霍夫变换排除与坡道路面边缘相交的直线，以此对道路外侧的区域进行滤除，得到道路内与障碍物识别的相关点云；

作为本发明的进一步优选，若没有查找到道路边缘，即选用车辆车身两侧距离各五米内区域作为分割区域；

作为本发明的进一步优选，基于投影降维方法，将坡道路面上与障碍物识别的相关点云投影到与路面垂直的竖直平面XOZ上，形成相关点云的投影平面，在投影平面上离雷达最近的一段路面形成一条连续的直线，中间一段坡道为分段的直线，剩余的一段路面在投影平面上不做显示；针对前述所有投影后的点云数进行霍夫变换，找出形成的长度大于0.5米的直线，从而找到为路面的直线，从而准确求出所有属于路面扫描点的相关点云；

作为本发明的进一步优选，对坡道路面上十米以内的范围内，在输入数据中对点云到临近点云的距离分布进行计算，得出点云对其临近点云的平均距离，处于这个平均距离的平均值范围内的点云即为障碍物扫描点，不符合的点云进行剔除；

作为本发明的进一步优选，通过雷达的每条线扫描出的区域为圆锥面，采用DBSCAN聚类算法，通过计算各个点之间的欧式距离及其所在扫描半径内的密度值来判断这些点是属于核心点、边界点或者是噪声点。

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

本发明实现了坡道路面的小障碍物识别，快速准确，节省运算资源，保证了实时性；有效避免了传统障碍物识别方法在即将下坡路段障碍物的漏检以及上坡路段把路面识别为障碍物的弊端，提高了智能驾驶汽车的行车安全性和对复杂路况的适应性。